0 / 0
資料の 英語版 に戻る
クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする

クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする

Jupyter ノートブックで Watson Machine Learning を使用して、機械学習モデルを作成、トレーニング、およびデプロイできます。 Jupyter ノートブックについて読み、ビデオを見て、中間ユーザーに適したコーディングが必要なチュートリアルを受けます。

必須のサービス
Watson Studio
Watson Machine Learning

基本的なワークフローには、以下のタスクが含まれます:

  1. サンドボックス・プロジェクトを開きます。 プロジェクトは、データを処理するために他のユーザーと共同作業できる場所です。
  2. ノートブックをプロジェクトに追加します。 ブランクのノートブックを作成することも、ファイルまたは GitHub リポジトリーからノートブックをインポートすることもできます。
  3. コードを追加し、ノートブックを実行します。
  4. モデル・パイプラインを確認し、目的のパイプラインをモデルとして保存します。
  5. モデルをデプロイしてテストします。

Jupyter ノートブックについて読む

Jupyter ノートブックは、対話式計算処理のための Web ベースの環境です。 ノートブックで機械学習モデルを構築することを選択した場合、Jupyter ノートブックでのコーディングに慣れておく必要があります。 データを処理する小さなコード断片を実行して、計算結果を即時に表示することができます。 このツールを使用して、データを処理するために必要なすべてのビルディング・ブロックをアセンブル、テスト、および実行し、データを Watson Machine Learningに保存し、モデルをデプロイすることができます。

ノートブックでのモデルのトレーニングについての詳細

モデルを構築する他の方法について説明します

Jupyter ノートブックでのモデルの作成に関するビデオを見る

< このビデオを見て、Jupyter ノートブックで機械学習モデルをトレーニング、デプロイ、およびテストする方法を確認してください。

このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。

Jupyter ノートブックでモデルを作成するためのチュートリアルを試す

このチュートリアルでは、以下のタスクを実行します:

このチュートリアルを完了するための所要時間は約 30 分です。

サンプル・データ

このチュートリアルで使用するサンプル・データは、 scikit-learn の一部であるデータからのものであり、0 から 9 までの手書きの数字の画像を認識するようにモデルをトレーニングするために使用されます。



  • ピクチャー・イン・ピクチャーの使用

    ヒント: ビデオを開始してから、チュートリアルをスクロールすると、ビデオはピクチャー・イン・ピクチャー・モードに移行します。 ピクチャー・イン・ピクチャーを最大限に活用するには、ビデオの目次を閉じます。 ピクチャー・イン・ピクチャー・モードを使用して、このチュートリアルのタスクを完了する際にビデオをフォローすることができます。 後続の各タスクのタイム・スタンプをクリックします。

    以下のアニメーション・イメージは、ビデオ・ピクト・イン・ピクチャーおよび目次フィーチャーの使用方法を示しています。

    ピクト・イン・ピクチャーおよび章の使用法

    コミュニティーのヘルプを表示する

    このチュートリアルでヘルプが必要な場合は、 Cloud Pak for Data コミュニティー・ディスカッション・フォーラムで質問したり、回答を見つけたりすることができます。

    ブラウザー・ウィンドウのセットアップ

    このチュートリアルを完了する最適な方法として、1 つのブラウザー・ウィンドウで Cloud Pak for Data を開き、このチュートリアル・ページを別のブラウザー・ウィンドウで開いたままにして、2 つのアプリケーションを簡単に切り替えることができます。 2 つのブラウザー・ウィンドウを横並びに配置して、追跡しやすくすることを検討してください。

    横並びのチュートリアルと UI

    ヒント: ユーザー・インターフェースでこのチュートリアルを実行しているときにガイド・ツアーが表示された場合は、 「後で行うこともあります」をクリックします。

    上に戻る


  • データと AutoAI エクスペリメントを保管するためのプロジェクトが必要です。 サンドボックス・プロジェクトを使用することも、プロジェクトを作成することもできます。

    1. ナビゲーション・メニュー ナビゲーション・メニューから、 「プロジェクト」>「すべてのプロジェクトを表示」 を選択します。

    2. サンドボックス・プロジェクトを開きます。 新規プロジェクトを使用する場合は、以下のようにします。

      1. 新規プロジェクトをクリックしてください。

      2. 「空のプロジェクトの作成」を選択します。

      3. プロジェクトの名前と説明 (オプション) を入力します。

      4. 既存の オブジェクト・ストレージ・サービス・インスタンス を選択するか、または新規作成します。

      5. 「作成」 をクリックします。

    3. プロジェクトが開始したら、 管理 タブをクリックし、 サービスと統合 ページを選択してください。

      プレビュー・チュートリアル・ビデオ このタスクをプレビューするには、 00:07からビデオを視聴してください。

      1. 「IBM サービス」 タブで、 「サービスの関連付け」をクリックします。

      2. Watson Machine Learning インスタンスを選択します。 Watson Machine Learning サービス・インスタンスがまだプロビジョンされていない場合は、以下の手順を実行します。

        1. 「新規サービス」をクリックします。

        2. Watson Machine Learningを選択します。

        3. 「作成」 をクリックします。

        4. リストから新規サービス・インスタンスを選択します。

      3. 「サービスの関連付け」をクリックします。

      4. 必要に応じて、 「キャンセル」 をクリックして 「サービス」&「統合」 ページに戻ります。

    詳細について、またはビデオを視聴するには、 プロジェクトの作成を参照してください。
    関連サービスについて詳しくは、 関連サービスの追加を参照してください。

    チェックポイント・アイコン 進行状況の確認

    以下の画像は、新規プロジェクトを示しています。

    以下の画像は、新規プロジェクトを示しています。


    上に戻る


  • プレビュー・チュートリアル・ビデオ このタスクをプレビューするには、 00:18からビデオを視聴してください。

    このチュートリアルでは、サンプル・ノートブックを使用します。 以下のステップに従って、サンプル・ノートブックをプロジェクトに追加します。

    1. Use sckit-learn to recognize hand-written digits notebook 」( サンプル) にアクセスします。

    2. プロジェクトに追加をクリックしてください。

    3. リストからプロジェクトを選択し、 追加をクリックしてください。

    4. ノートブックの名前と説明を確認します (オプション)。

    5. このノートブックのランタイム環境を選択してください。

    6. 「作成」 をクリックします。 ノートブック・エディターがロードされるまで待ちます。

    7. メニューから、 「カーネル」>「再始動」&「出力のクリア」をクリックし、 「すべての出力の再始動およびクリア」 をクリックして確認し、最後に保存した実行からの出力をクリアします。

    チェックポイント・アイコン 進行状況の確認

    以下の画像は、新しいノートブックを示しています。

    以下の画像は、新しいノートブックを示しています。


    上に戻る


  • プレビュー・チュートリアル・ビデオ このタスクをプレビューするには、 00:44からビデオを視聴してください。

    ノートブックの最初のセクションでは、 IBM Cloud 資格情報と Watson Machine Learning サービス・インスタンスの場所を指定して環境をセットアップします。 ノートブックで環境をセットアップするには、以下の手順に従います。

    1. 環境のセットアップ セクションまでスクロールします。

    2. API キーとロケーションを取得する方法を選択してください。

      • コマンド・プロンプトからノートブックの IBM Cloud CLI コマンドを実行します。

      • IBM Cloud コンソールを使用してください。

        1. IBM Cloud コンソールの「API キー」セクション、および API キーの作成を起動します。

        2. IBM Cloud リソース・リストにアクセスし、 Watson Machine Learning サービス・インスタンスを表示して、 ロケーションをメモします。

        3. 正しいエンドポイント URL については、 Watson Machine Learning API 資料 を参照してください。 例えば、ダラスは us-south にあります。

    3. API キーと場所をセル 1 に貼り付けます。

    4. セル 1 および 2 を実行してください。

    5. セル 3 を実行して ibm-watson-machine-learning パッケージをインストールします。

    6. セル 4 を実行して API クライアントをインポートし、資格情報を使用して API クライアント・インスタンスを作成します。

    7. セル 5 を実行して、既存のすべてのデプロイメント・スペースのリストを表示します。 デプロイメント・スペースがない場合は、以下のステップを実行します。

      1. watsonx デプロイメントで別のタブを開きます。

      2. ナビゲーション・メニュー ナビゲーション・メニューから、 「デプロイメント」をクリックします。

      3. 新規デプロイメント・スペースをクリックしてください。

      4. デプロイメントの名前と説明 (オプション) を追加します。

      5. 作成をクリックしてから、 新規スペースの表示をクリックしてください。

      6. 「管理」 タブをクリックします。

      7. Space GUID をコピーしてタブを閉じると、この値が space_id になります。

    8. 該当するデプロイメント・スペース ID をコピーしてセル 6 に貼り付け、セル 6 とセル 7 を実行してデフォルト・スペースを設定します。

    チェックポイント・アイコン 進行状況の確認

    以下の画像は、すべての環境変数がセットアップされたノートブックを示しています。

    以下の図は、すべての環境変数がセットアップされたノートブックを示しています。


    上に戻る


  • プレビュー・チュートリアル・ビデオ このタスクをプレビューするには、 02:14からビデオをご覧ください。

    これですべての環境変数がセットアップされたので、ノートブックの残りのセルを実行できます。 コメントを読み、セルを実行し、出力を確認するには、以下の手順を実行します。

    1. 「データの探索」 セクションのセルを実行します。

    2. 「scikit-learn モデルの作成 (Create a scikit-learn model)」 セクションのセルを実行して以下を行います。

      1. データを 3 つのデータ・セット (トレーニング、テスト、およびスコア) に分割して準備します。

      2. パイプラインを作成します。

      3. モデルをトレーニングします。

      4. テスト・データを使用してモデルを評価します。

    3. 「モデルの公開」 セクションのセルを実行して、モデルを公開し、モデルの詳細を取得し、すべてのモデルを取得します。

    4. 「モデル・デプロイメントの作成」 セクションのセルを実行します。

    5. 「デプロイメントの詳細の取得」 セクションのセルを実行します。

    6. 「スコア」 セクション * のセルを実行します。これにより、スコアリング要求がデプロイ済みモデルに送信され、予測が表示されます。

    7. 「ファイル」>「保存」 をクリックして、ノートブックとその出力を保存します。

    チェックポイント・アイコン 進行状況の確認

    次の図は、予測を示すノートブックを示しています。

    以下の画像は、予測を含むノートブックを示しています。


    上に戻る


  • プレビュー・チュートリアル・ビデオ このタスクをプレビューするには、 04:07以降のビデオをご覧ください。

    デプロイメント・スペースからモデル・デプロイメントを直接表示することもできます。 スペースにデプロイされたモデルをテストするには、以下の手順を実行します。

    1. ナビゲーション・メニュー ナビゲーション・メニューから、 「デプロイメント」をクリックします。

    2. 「スペース」 タブをクリックします。

    3. リストから適切なデプロイメント・スペースを選択してください。

    4. 「Scikit モデル」をクリックします。

    5. 「scikit モデルのデプロイメント」をクリックします。

    6. エンドポイント および コード・スニペットを確認してください。

    7. 「テスト」 タブをクリックします。 以下の JSON コードを貼り付けることで、デプロイされたモデルをテストできます:

         {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}
      
    8. 予測をクリックしてください。 結果の予測は、手書きの数字が 5 と 4 であることを示しています。

    チェックポイント・アイコン 進行状況の確認

    次の画像は、予測を含む 「テスト」 タブを示しています。

    以下のイメージは、予測を含む「テスト」タブを示しています。


    上に戻る


  • ノートブックによって作成されたすべての資産を削除する場合は、 Machine Learning 成果物管理ノートブックに基づいて新規ノートブックを作成します。 このノートブックへのリンクは、このチュートリアルで使用する 「scikit-learn to recognize hand-written digits」ノートブック「クリーンアップ」 セクションにもあります。


    上に戻る

次のステップ

これで、このデータ・セットをさらに分析するために使用できます。 例えば、ユーザーまたは他のユーザーは、以下のいずれかのタスクを実行できます:

その他のリソース

親トピック: クイック・スタート・チュートリアル

生成 AI の検索と回答
これらの回答は、製品資料の内容に基づいて、 watsonx.ai のラージ言語モデルによって生成されます。 詳細